Python 机器学习，将训练模型应用于测试

政治学研究生，他是一个很有野心的人，但他们说他是垃圾。基本上，为了政治学的目的，我试图对一组政客进行吸引力预测。我遵循了这一点

在提取了地标和生成的特征后，我使用我的学习集（CFD，400幅带评级的图像）进行模型预测，通过交叉验证，预测评级与实际评级之间的相关性为0.49（对我来说足够好）。这就是代码：

import numpy as np
from sklearn import decomposition
from sklearn import linear_model
features = np.loadtxt('C:\\Users\\bruker\\Desktop\\Data\\CFD_features.txt', delimiter=',')
ratings = np.loadtxt('C:\\Users\\bruker\\Desktop\\Data\\CFD_ratings.txt', delimiter=',')
predictions = np.zeros(ratings.size);

for i in range(0, 400):
    features_train = np.delete(features, i, 0)
    features_test = features[i, :]
    ratings_train = np.delete(ratings, i, 0)
    ratings_test = ratings[i]
    pca = decomposition.PCA(n_components=13)
    pca.fit(features_train)
    features_train = pca.transform(features_train)
    features_test = pca.transform(features_test)
    regr = linear_model.LinearRegression()
    regr.fit(features_train, ratings_train)
    predictions[i] = regr.predict(features_test)
    print 'number of models trained:', i+1

np.savetxt('C:\\Users\\bruker\\Desktop\\Data\\CFDN_cross_valid_predictions.txt', predictions, delimiter=',', fmt = '%.04f')

corr = np.corrcoef(predictions, ratings)[0, 1]
print corr

现在我有了另一个features.txt，里面有政客的特征数据（142张图片），我没有评分。我想做的是使用上述代码构建的训练集/模型为我的政客生成预测的吸引力评级，但我完全不知道如何进行。本指南对此保持沉默，可能是因为它是为了解Python的人准备的：）。我花了很多时间试图找出修改/构建此代码的方法来实现它，但我缺乏Python/通用编码知识，因此很难理解

---

考虑到这个网站的巨大智慧和知识，我希望有人知道一个解决方案，可以帮助我。为我的无俱乐部表示歉意，并提前感谢您的帮助。

如果没有for循环，这将变得非常简单

import numpy as np
from sklearn import decomposition
from sklearn import linear_model

features_train = np.loadtxt('C:\\Users\\bruker\\Desktop\\Data\\CFD_features.txt', delimiter=',')
ratings_train = np.loadtxt('C:\\Users\\bruker\\Desktop\\Data\\CFD_ratings.txt', delimiter=',')

pca = decomposition.PCA(n_components=13)
pca.fit(features_train)
features_train = pca.transform(features_train)
regr = linear_model.LinearRegression()
regr.fit(features_train, ratings_train)

features_test = np.loadtxt('C:\\Users\\bruker\\Desktop\\Data\\CFD_features_Test.txt', delimiter=',')

features_test = pca.transform(features_test)
predictions = regr.predict(features_test)

---

这很容易。执行与上述相同的步骤，但不在

pca

或

regr

上调用

fit（）

。只需对新数据调用

pca.transform（）

和

regr.predict（）

。但为此，您需要保持对象

pca

和

regr

持久化。你应该解释你的代码，更像是范围（0400）内i的

在做什么：

我可能会帮你写代码。谢谢你的回复。据我所知（我没有写这段代码）。范围内的i是它循环400次。所以对于图像1，它使用其他399个图像来训练，然后预测图像1，然后执行图像2，然后使用其他399个图像来训练和预测其评级。现在我不认为我需要它，因为我想做的是使用我在这段代码中使用的400个有评级的图像来预测其他142个没有评级的图像。我只是不知道如何解开代码来做它。只是做了一些小的调整，它工作得很好。非常感谢Vivek！